用 Gromov-Wasserstein 距离的下界，通过对所有数据矩计算，基于内在和多尺度的方法对比数据流形。实验证明，该方法能够有效地识别不同维度未对齐数据的结构，并展示了在评估生成模型质量方面的功效。

May, 2019

本文介绍一种在各种定义域类型上能检测两个直方图集合差异的方法，该方法通过提出的内部切片构造，在规模空间是可嵌入的希尔伯特空间中利用两种测试程序，即重新取样和组合坐标测试的途径，将直方图集合比较问题转化为更熟悉的均值检验问题，并给出了在线性监测、脑连接性等应用场景上丰富的实验 。

Oct, 2020

提出了一种将概率分布嵌入到 Reproducing kernel Hilbert space (RKHS) 中的方法，通过定义核函数，使用两个分布嵌入之间的距离来对概率分布空间中的分布进行比较，我们证明了一些距离函数的特殊性质，并讨论了它们与概率计量学中其他距离的关系，同时介绍了支持这些特殊性质的核。

Jul, 2009

通过置换不变网络将样本从概率测度映射到低维空间，使编码样本之间的欧几里得距离反映概率测度之间的 Wasserstein 距离，进一步证明了该网络可以推广到正确计算未见密度之间的距离，并且可以学习到概率分布的第一和第二矩。

Oct, 2020

该研究论文介绍了两种 Gromov-Wasserstein 类型的距离，用于高斯混合模型集合。这些距离可作为 Gromov-Wasserstein 的替代品，用于评估两个分布间的差异，并且为点云之间的最优传输计划提供了一种定义方式。同时，该研究还提供了实际应用案例，如形状匹配和高光谱图像颜色转换。

Oct, 2023

研究了紧超度量空间 X 的测度空间的几何形状，表明此 Wasserstein 空间的幂 p 使其成为 l^1 的凸子集，证明了关于超度量情况下 Wasserstein 空间的边界和尺寸估计，以及证明了关于超度量空间包含大的 co-Lipschitz 图像的结构定理。

Apr, 2013

使用 Riemannian 几何工具研究了概率生成降维模型的几何结构，以高斯过程为基础，定义了一种度量分布，利用度量在潜变量空间中进行插值并测量距离，从而更恰当地生成新数据。

Nov, 2014

通过对每个图分配基于标准化拉普拉斯谱的概率度量，并使用概率度量之间的 L ^ p Wasserstein 距离，我们在所有图形的集合上定义了相应的谱距离 d_p。当将 d_1 作为拟度量空间的概率度量空间的直径时，我们证明了一。通过交错不等式研究了图形尺寸趋于无穷时的 d_1 行为，旨在探索大型真实网络。模拟观察到了 d_1 与生物网络的进化距离之间的单调关系。

Feb, 2014

为了改善模型性能，最近的研究提出通过使潜空间的几何特征与基础数据结构对齐来提升机器学习模型。本文引入了一种使用 Gromov-Hausdorff 距离计算候选潜空间几何之间距离的新概念，提出了使用估计的 Gromov-Hausdorff 距离来搜索最佳潜空间几何的图搜索空间算法。本文描述了计算模型空间之间 Gromov-Hausdorff 距离的算法及其计算实现。

Sep, 2023

提出了两种不平衡的 Gromov-Wasserstein 公式：一种是基于松弛质量守恒约束的正定差异，另一种是基于锥形提升的等距测距，它们都允许比较拥有正定度量的任意正度量的测度空间 (isometries)。

Sep, 2020